Курс за обучение по Оптимизация на процеси в производството на чипове с помощта на изкуствен интелект

Това обучение с инструктор на живо в България (онлайн или на място) е насочено към биолози, които желаят да разберат как работи AlphaFold и да използват моделите на AlphaFold като ориентири в своите експериментални изследвания.

До края на това обучение участниците ще могат да:

• Разбират основните принципи на AlphaFold.
• Научат как работи AlphaFold.
• Научат как да интерпретират прогнозите и резултатите от AlphaFold.

Това обучение, водено от инструктор на живо в България (онлайн или на място), е насочено към участници с различен опит, които желаят да използват платформата AutoML на Google за създаване на персонализирани чатботове за различни приложения.

До края на това обучение участниците ще могат да:

• Разбират основите на разработването на чатботове.
• Навигират в Google Cloud Platform и да достигат до AutoML.
• Подготвят данни за обучение на модели за чатботове.
• Обучават и оценяват персонализирани модели за чатботове, използвайки AutoML.
• Внедряват и интегрират чатботове в различни платформи и канали.
• Следят и оптимизират представянето на чатботовете във времето.

Това обучение с инструктор на живо в България (онлайн или на място) предоставя въведение в областта на разпознаването на образи и машинното обучение. Засягат се практически приложения в статистиката, компютърните науки, обработката на сигнали, компютърното зрение, извличането на данни и биоинформатиката.

До края на това обучение участниците ще могат да:

• Прилагат основни статистически методи за разпознаване на образи.
• Използват ключови модели като невронни мрежи и ядрови методи за анализ на данни.
• Внедряват напреднали техники за решаване на сложни проблеми.
• Подобряват точността на прогнозите чрез комбиниране на различни модели.

Това обучение с инструктор на живо в България (онлайн или на място) е насочено към разработчици на средно ниво, специалисти по данни и AI практици, които желаят да използват TensorFlow Lite за Edge AI приложения.

До края на това обучение участниците ще могат:

• Да разбират основите на TensorFlow Lite и ролята му в Edge AI.
• Да разработват и оптимизират AI модели с помощта на TensorFlow Lite.
• Да внедряват TensorFlow Lite модели на различни крайни устройства.
• Да използват инструменти и техники за конвертиране и оптимизиране на модели.
• Да реализират практически Edge AI приложения, използвайки TensorFlow Lite.

Тази обучение с инструктор, провеждано на живо в България (онлайн или на място), е насочено към разработчици и специалисти по данни, които желаят да създават, разгръщат и управляват пайплайни за машинно обучение в среда Kubernetes.

В края на обучението участниците ще могат да:

• Инсталират и конфигурират Kubeflow локално (on-premise) и в облака.
• Да изграждат, разгръщат и управляват ML пайплайни, базирани на Docker контейнери и Kubernetes.
• Да изпълняват цели машинни пайплайни за обучение върху разнообразни архитектури и облачни среди.
• Да използват Kubeflow за създаване и управление на Jupyter бележки (notebooks).
• Да изграждат пайплайни за ML обучение, тюнинг на хиперпараметри и сервирване на модели (serving) през множество платформи.

Това обучение с инструктор на живо в България (онлайн или на място) е насочено към анализатори на данни на средно ниво, които желаят да научат как да използват RapidMiner за оценка и проектиране на стойности и да прилагат аналитични инструменти за прогнозиране на времеви редове.

До края на обучението участниците ще могат да:

• Научат как да прилагат методологията CRISP-DM, да избират подходящи алгоритми за машинно обучение и да подобряват изграждането и производителността на моделите.
• Използват RapidMiner за оценка и проектиране на стойности и да прилагат аналитични инструменти за прогнозиране на времеви редове.

Това обучение, водено от инструктор и провеждано на живо в България (онлайн или на място), е насочено към професионалисти на напреднало ниво, които желаят да изследват съвременни XAI техники за модели за дълбоко обучение, с фокус върху изграждането на интерпретируеми AI системи.

До края на това обучение участниците ще могат да:

• Разбират предизвикателствата на обяснимостта в дълбокото обучение.
• Прилагат напреднали XAI техники за невронни мрежи.
• Интерпретират решения, взети от модели за дълбоко обучение.
• Оценяват компромисите между производителност и прозрачност.